BibGenie-DokumentationWie BibGenie deine Bibliothek versteht
Erfahre, was Embeddings sind, wie BibGenie sie für semantische Suche nutzt und warum Indexierung die Paper-Entdeckung verbessert.
Warum es diese Seite gibt
Wenn du in BibGenie suchst, geht es nicht nur darum, Papers zu finden, die exakt dieselben Wörter enthalten, die du eingegeben hast. Oft möchtest du, dass BibGenie Papers findet, die dieselbe Idee behandeln, auch wenn sie andere Begriffe verwenden.
Hier kommen Embeddings und Indexierung ins Spiel.
Was ist ein Embedding?
Ein Embedding ist eine Methode, ein Textstück in eine numerische Darstellung umzuwandeln, die seine Bedeutung erfasst.
Du musst die Mathematik dahinter nicht kennen. Die praktische Idee ist einfach:
- Ähnliche Texte erzeugen tendenziell ähnliche Embeddings
- Unterschiedliche Themen erzeugen tendenziell weiter entfernte Embeddings
- So kann BibGenie Bedeutung vergleichen, nicht nur exakte Wörter
Ein Paper über drug discovery with knowledge graphs kann zum Beispiel gefunden werden, wenn du nach graph methods for biomedical research suchst, auch wenn der Wortlaut nicht identisch ist.
Wie BibGenie Embeddings nutzt
BibGenie baut die semantische Suche derzeit aus Titel und Abstract deiner regulären Zotero-Einträge auf.
Der Ablauf:
- BibGenie liest Titel und Abstract eines Papers.
- Es wandelt diesen Text in ein Embedding um.
- Es speichert das Ergebnis in einem lokalen Suchindex für deine Zotero-Bibliothek.
- Wenn du eine thematische Frage stellst, wandelt BibGenie auch deine Anfrage in ein Embedding um.
- Es vergleicht deine Anfrage mit den indexierten Papers und gibt die ähnlichsten Treffer zurück.
Deshalb kann semantische Suche Papers finden, die inhaltlich relevant sind, nicht nur wörtlich übereinstimmen.
Was ist Indexierung?
Indexierung ist der Vorbereitungsschritt, der semantische Suche schnell und praktikabel macht.
Statt bei jeder Suche alles neu zu berechnen, erstellt BibGenie zuerst einen lokalen Embedding-Index deiner Bibliothek. Sobald dieser Index vorhanden ist, kann BibGenie deine Papers deutlich effizienter durchsuchen.
Kurz gesagt:
- Embedding hilft BibGenie, Bedeutung darzustellen
- Indexierung hilft BibGenie, diese Bedeutung schnell zu durchsuchen
Wobei hilft das?
Semantische Indexierung ist besonders nützlich, wenn du:
- Papers zu einem Forschungsthema finden möchtest
- Arbeiten entdecken willst, die andere Begriffe für eine ähnliche Idee verwenden
- eine Methode, Theorie oder Problemstellung erkunden möchtest
- eine große Zotero-Bibliothek natürlicher durchsuchen möchtest
Schlüsselwortsuche bleibt nützlich, wenn du Autor, Titel, Begriff oder Formulierung exakt kennst. Semantische Suche ist hilfreicher, wenn deine Frage konzeptionell ist.
Welche Inhalte werden einbezogen?
BibGenie verwendet derzeit:
- Paper-Titel
- Paper-Abstracts
BibGenie erstellt diesen semantischen Index derzeit nicht aus:
- PDF-Volltext
- Notizen
- Annotationen
- Anhängen
So bleibt die Indexierung fokussiert, vorhersehbar und schnell.
Muss ich den Index oft neu aufbauen?
Normalerweise nein.
Meistens aktualisiert BibGenie den Index automatisch im Hintergrund, wenn sich deine Bibliothek ändert. Wenn du Papers hinzufügst, Einträge änderst oder Elemente entfernst, übernimmt BibGenie normalerweise die notwendigen Updates.
In einigen Situationen kann ein Neuaufbau sinnvoll sein:
- Beim ersten Einrichten der semantischen Indexierung
- Nach dem Wechsel zu einem anderen Embedding-Modell
- Nach einem großen Import, wenn Ergebnisse unvollständig oder veraltet wirken
- Wenn BibGenie meldet, dass der aktuelle Index Aufmerksamkeit benötigt
- Wenn semantische Ergebnisse offensichtlich falsch aussehen und du sauber neu aufbauen möchtest
Gute Standardregel
Wenn die semantische Suche normal funktioniert, musst du meist nichts tun. Baue nur neu auf, wenn die App es vorschlägt oder die Ergebnisse nicht mehr deinen Erwartungen entsprechen.
Was bedeuten die Buttons auf der Indexing-Seite?
Build / Rebuild
Erstellt den Index zum ersten Mal oder baut ihn bei Bedarf vollständig neu auf.
Verwende es, wenn:
- du die Indexierung zum ersten Mal einrichtest
- du das Embedding-Modell geändert hast
- du den gesamten Index aktualisieren möchtest
Retry Failed Items
Versucht nur die Papers erneut zu indexieren, die bei früheren Indexierungsversuchen fehlgeschlagen sind.
Verwende es, wenn:
- die Anzahl fehlgeschlagener Einträge größer als null ist
- du vor einem vollständigen Neuaufbau einen leichteren Wiederherstellungsschritt versuchen möchtest
Häufige Fragen
Nächste Schritte
- Indexportstatus prüfen und Probleme beheben: Semantic Index
- Semantische Suche in der Praxis einsetzen: Literature Search